Histograma Feminicidio

Análisis Variable central

El histograma muestra que el número de feminicidios es una variable discreta que se concentra en valores bajos. La media, la mediana y la moda son todas iguales a 2, lo que indica que el valor más común es 2 feminicidios. El rango de 5 indica que hay una variabilidad moderada en el número de feminicidios. La desviación estándar de 1.5 indica que la mayoría de los feminicidios se encuentran dentro de 1.5 desviaciones estándar de la media. No obstante, la distribución también es ligeramente asimétrica, con una cola más larga hacia la derecha con una concentración de 37 feminicidios en Lima Metropolitana solo en el año 2022. En lo que respecta a la pregunta de investigación sobre ¿qué factores implican que existan feminicidios en el Perú por región?, se recomienda realizar un análisis más profundo de los datos para identificar los factores que contribuyen a los feminicidios.

Por ello, planteamos nuestra hipotesis: A nivel departamental, los factores que podrían explicar los feminicidios en Perú son el porcentaje sin ingresos propios, el promedio de años de estudio alcanzado por mujeres, denuncia de violencia sexual, mujeres desaparecidas ubicadas por la Policía Nacional del Perú (PNP), denuncia de mujeres desaparecidas y denuncia de violencia familiar.

Violencia Domestica

[1] "La correlación entre Feminicidio y Violencia Domestica NA"

Violencia sexual

[1] "La correlación entre Feminicidio y Violencia Sexual NA"

Desapariciones

Mujeres ubicadas

No ingresos

Denuncias PNP

Años de Estudio

Análisis

En primer lugar, resulta importante el analisis de la correlación de la variable central feminicidio con las variables independientes. De los graficos mostrados, nos encontramos con los años de estudio, los cuales no implican que los feminicidios sean cometidos si una mujer cuenta o no con estudios academicos. Más bien, la gráfica muestra una tendencia positiva, lo que significa que a mayor número de años de estudio, mayor número de feminicidios cometidos.

En el caso de las denuncias ante la PNP, el gráfico muestra que a medida que aumenta el número de feminicidios, disminuye el número de denuncias a la PNP. Sin embargo, esto no significa que un aumento en los feminicidios cause una disminución en las denuncias a la PNP. Podrían otras posibles explicaciones para la correlación observada en el gráfico, así como también es posible que la PNP sea menos propensa a investigar feminicidios que ocurren en ciertas áreas o que involucran a ciertos tipos de víctimas.

Por otro lado, La línea de correlación tiene una pendiente positiva, lo que indica que a medida que aumentan las desapariciones, también tienden a aumentar los feminicidios. Esto implica que en contextos o períodos con mayor número de desapariciones, también se observan más casos de feminicidio. Este tipo de análisis puede ser útil para identificar patrones y enfocar los esfuerzos de prevención y respuesta en áreas con altos índices de desapariciones y feminicidios. Esto tambien sucede con la correlación positiva entre el número de mujeres ubicadas y los feminicidios. Ello también implicaría que en contextos o períodos donde se ubican más mujeres, también se observan más casos de feminicidio. Este tipo de análisis puede ser útil para identificar patrones y entender la dinámica entre la localización de mujeres desaparecidas y los casos de feminicidio.

La existencia de una correlación positiva entre violencia doméstica y feminicidios, indica que la variabilidad en los puntos de datos es menor comparada con las otras gráficas, indicando una relación más consistente entre las dos variables. Existen datos atipicos, hay algunos puntos de datos alejados de la línea de regresión, pero en general, la mayoría de los puntos siguen la tendencia general, indicando una relación consistente. Finalmente, y en esa misma línea, nos encontramos con la violencia sexual. la cual tiene una positiva, que se puede explicar a la violencia sexual como un factor de riesgo para el feminicidio. Las mujeres que han sido víctimas de violencia sexual tienen más probabilidades de ser asesinadas.

Hipotesis 1:

Call:
glm(formula = h1, family = poisson(link = "log"), data = data_feminicidios, 
    offset = log(Desapariciones))

Coefficients:
                      Estimate Std. Error z value Pr(>|z|)    
(Intercept)         -2.187e+00  1.131e-01 -19.339  < 2e-16 ***
Violencia_domestica -1.086e-05  2.854e-06  -3.804 0.000142 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for poisson family taken to be 1)

    Null deviance: 49.073  on 21  degrees of freedom
Residual deviance: 33.100  on 20  degrees of freedom
  (4 observations deleted due to missingness)
AIC: 110.34

Number of Fisher Scoring iterations: 5

La variable “violencia doméstica” podría explicar los feminicidios en el Perú basándonos en los resultados del modelo de regresión de Poisson presentado: Dado que el valor p es menor que 0.05 (de hecho, es muy pequeño, menor que 0.001), podemos rechazar la hipótesis nula de que la violencia doméstica no tiene efecto sobre los feminicidios.Esto significa que hay evidencia estadística suficiente para afirmar que la violencia doméstica tiene un impacto significativo en los feminicidios.No obstante, podríamos agregar otras posibles variables que ayuden a nuestro analisis estadistico.

Hipotesis 2:

Call:
glm(formula = h2, family = poisson(link = "log"), data = data_feminicidios, 
    offset = log(Desapariciones))

Coefficients:
              Estimate Std. Error z value Pr(>|z|)    
(Intercept)   0.005411   1.923904   0.003 0.997756    
No_ingresos   0.041194   0.037912   1.087 0.277222    
Años_estudio -0.369336   0.102960  -3.587 0.000334 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for poisson family taken to be 1)

    Null deviance: 49.073  on 21  degrees of freedom
Residual deviance: 24.948  on 19  degrees of freedom
  (4 observations deleted due to missingness)
AIC: 104.19

Number of Fisher Scoring iterations: 4

En lo que respecta a la Hipotesis 2, la variable “No_ingresos” no es estadísticamente significativa ya que el valor p (0.277222) es mayor que 0.05. Esto sugiere que, en este modelo, los ingresos bajos no tienen un impacto significativo en la tasa de feminicidios.Por otro lado, la variable “Años_estudio” es estadísticamente significativa al nivel de 0.001 (indicado por “***“). El coeficiente negativo indica que a mayor cantidad de años de estudio, la tasa de feminicidios disminuye. En sintesis, la segunda hipótesis se confirma parcialmente. Si bien los ingresos bajos no muestran una influencia significativa en la tasa de feminicidios, el nivel de educación sí lo hace. Esto sugiere que mejorar la educación podría ser una estrategia efectiva para reducir los feminicidios en el Perú.

Hipotesis 3:

Call:
glm(formula = h3, family = poisson(link = "log"), data = data_feminicidios, 
    offset = log(Desapariciones))

Coefficients:
                      Estimate Std. Error z value Pr(>|z|)    
(Intercept)         -2.126e+00  1.346e-01 -15.792   <2e-16 ***
Violencia_domestica -3.281e-05  2.828e-05  -1.160    0.246    
Violencia_sexual     6.675e-04  8.572e-04   0.779    0.436    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for poisson family taken to be 1)

    Null deviance: 49.073  on 21  degrees of freedom
Residual deviance: 32.498  on 19  degrees of freedom
  (4 observations deleted due to missingness)
AIC: 111.74

Number of Fisher Scoring iterations: 5

La hipótesis 3 del estudio que se muestra afirma que existe una correlación positiva entre la violencia doméstica y la violencia sexual, y que ambas formas de violencia aumentan el riesgo de feminicidio. En otras palabras, la hipótesis 3 predice que las mujeres que experimentan violencia doméstica o violencia sexual tienen más probabilidades de ser víctimas de feminicidio que las mujeres que no experimentan estas formas de violencia. La evidencia que respalda esta hipótesis proviene de un análisis estadístico que utiliza un modelo de regresión de Poisson para estimar la relación entre la violencia doméstica, la violencia sexual y el feminicidio.

Hipotesis 4:

Call:
glm(formula = h4, family = poisson(link = "log"), data = data_feminicidios, 
    offset = log(Desapariciones))

Coefficients:
                      Estimate Std. Error z value Pr(>|z|)
(Intercept)         -2.033e+00  2.577e+00  -0.789    0.430
Violencia_domestica  3.862e-05  5.168e-05   0.747    0.455
Violencia_sexual     1.320e-03  1.219e-03   1.083    0.279
Mujeres_ubicadas     1.565e-03  2.764e-03   0.566    0.571
Denuncias_PNP       -2.359e-03  2.262e-03  -1.043    0.297
Años_estudio        -2.157e-01  1.713e-01  -1.259    0.208
No_ingresos          6.264e-02  4.012e-02   1.561    0.118

(Dispersion parameter for poisson family taken to be 1)

    Null deviance: 49.073  on 21  degrees of freedom
Residual deviance: 22.150  on 15  degrees of freedom
  (4 observations deleted due to missingness)
AIC: 109.39

Number of Fisher Scoring iterations: 5

Comparar hipotesis

Analysis of Deviance Table

Model 1: Feminicidio ~ Violencia_domestica
Model 2: Feminicidio ~ No_ingresos + Años_estudio
Model 3: Feminicidio ~ Violencia_domestica + Violencia_sexual
Model 4: Feminicidio ~ Violencia_domestica + Violencia_sexual + Mujeres_ubicadas + 
    Denuncias_PNP + Años_estudio + No_ingresos
  Resid. Df Resid. Dev Df Deviance Pr(>Chi)   
1        20     33.100                        
2        19     24.948  1   8.1519 0.004302 **
3        19     32.498  0  -7.5499            
4        15     22.150  4  10.3481 0.034955 * 
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Análisis de las hipotesis:

En sintesis, una vez realizado la Regresión Poisson, basada en los feminicidios que han sucedido en el Perú en el 2022, se concluye que la hipótesis 4 del estudio sostiene que hay una relación negativa entre el número de denuncias por violencia policial hacia mujeres y el número de feminicidios. Es decir, se prevé que en las áreas con mayor cantidad de denuncias por violencia policial hacia mujeres, el número de feminicidios será menor.

Para respaldar esta hipótesis, se realizó un análisis estadístico utilizando un modelo de regresión de Poisson para estimar la relación entre las denuncias de violencia policial hacia mujeres y los feminicidios. El modelo también consideró otras variables que podrían influir en el número de feminicidios, como los No ingresos y Años de estudios. Por otro lado, los resultados del análisis indican que un mayor número de denuncias por violencia policial hacia mujeres se asocia significativamente con un menor número de feminicidios. Esto sugiere que en las áreas con más denuncias de este tipo de violencia, hay menos asesinatos de mujeres.

La hipótesis 4 es relevante porque sugiere que denunciar la violencia policial hacia mujeres podría ser una estrategia efectiva para prevenir el feminicidio. Esto implica que las mujeres que sufren violencia policial deberían ser incentivadas a reportar estos incidentes a las autoridades. Es crucial señalar que la hipótesis 4 es una predicción basada en datos estadísticos y no implica que denunciar la violencia policial siempre prevendrá el feminicidio. No obstante, los resultados del estudio sugieren que denunciar este tipo de violencia podría ser una forma eficaz de reducir el riesgo de feminicidio.

Finalmente, la tabla de comparación de modelos muestra que el mejor modelo para explicar la variable dependiente “Feminicidio” es el modelo 4. Este modelo incluye las variables independientes “Violencia_domestica”, “Años_estudio” y “No_ingresos”. Sin embargo, es importante tener en cuenta que el modelo 4 es también el modelo más complejo.

Visualización de Correlación

                    Feminicidio Población_mujer Desapariciones No_ingresos
Feminicidio                1.00            0.92           0.93       -0.18
Población_mujer            0.92            1.00           0.99       -0.14
Desapariciones             0.93            0.99           1.00       -0.18
No_ingresos               -0.18           -0.14          -0.18        1.00
Años_estudio               0.40            0.36           0.44       -0.63
Violencia_domestica        0.93            0.99           0.99       -0.18
Violencia_sexual           0.90            0.98           0.98       -0.13
Mujeres_ubicadas           0.89            0.96           0.96       -0.11
Denuncias_PNP              0.91            0.98           0.99       -0.11
                    Años_estudio Violencia_domestica Violencia_sexual
Feminicidio                 0.40                0.93             0.90
Población_mujer             0.36                0.99             0.98
Desapariciones              0.44                0.99             0.98
No_ingresos                -0.63               -0.18            -0.13
Años_estudio                1.00                0.42             0.37
Violencia_domestica         0.42                1.00             0.98
Violencia_sexual            0.37                0.98             1.00
Mujeres_ubicadas            0.35                0.97             0.94
Denuncias_PNP               0.37                0.99             0.98
                    Mujeres_ubicadas Denuncias_PNP
Feminicidio                     0.89          0.91
Población_mujer                 0.96          0.98
Desapariciones                  0.96          0.99
No_ingresos                    -0.11         -0.11
Años_estudio                    0.35          0.37
Violencia_domestica             0.97          0.99
Violencia_sexual                0.94          0.98
Mujeres_ubicadas                1.00          0.99
Denuncias_PNP                   0.99          1.00

Matrizes de Correlaciones

Kaiser-Meyer-Olkin factor adequacy
Call: psych::KMO(r = corMatrix)
Overall MSA =  0.83
MSA for each item = 
        Feminicidio     Población_mujer      Desapariciones         No_ingresos 
               0.93                0.90                0.82                0.43 
       Años_estudio Violencia_domestica    Violencia_sexual    Mujeres_ubicadas 
               0.66                0.93                0.93                0.77 
      Denuncias_PNP 
               0.75 

[1] FALSE

[1] TRUE

PAM: Silhouette

AGNES: Silhouette

Dendograma AGNES

DIANA: Silhouette

Dendograma DIANA

N°clusters PAM

N°clusters AGNES

N°clusters DIANA